Analisis Perbandingan Optimasi Seleksi Fitur Logistic Regression dan SVM untuk Prediksi PCOS

Abstract

Polycystic Ovary Syndrome (PCOS) merupakan gangguan endokrin pada wanita usia reproduktif yang ditandai ketidakteraturan menstruasi, hiperandrogenisme dan perubahan morfologi ovarium, serta berpotensi menimbulkan infertilitas dan komplikasi metabolik (WHO, 2025). Penelitian ini bertujuan menganalisis secara komparatif kinerja algoritma Logistic Regression dan Support Vector Machine (SVM) yang dioptimasi dengan feature selection untuk prediksi PCOS berbasis data klinis. Dataset berisi 1.000 data pasien dengan lima atribut klinis, yaitu umur, indeks massa tubuh (BMI), ketidakteraturan menstruasi, kadar testosteron dan jumlah folikel antral, serta label biner diagnosis PCOS. Data dibagi menggunakan stratified train-test split 80:20 dan seluruh fitur numerik dinormalisasi. Optimasi dilakukan dengan mengintegrasikan Recursive Feature Elimination (RFE) dan Grid Search pada Logistic Regression untuk menentukan kombinasi jumlah fitur dan parameter regulasi terbaik, sementara pada SVM dilakukan penalaan parameter C, jenis kernel dan gamma menggunakan GridSearchCV dengan 5-fold stratified cross-validation dan F1-score sebagai metrik acuan, mengikuti praktik optimasi model yang banyak digunakan pada penelitian PCOS berbasis machine learning. Hasil eksperimen menunjukkan bahwa Logistic Regression terbaik mencapai akurasi 0,915, F1-score kelas PCOS 0,80 dan AUC 0,978, sedangkan SVM memberikan kinerja lebih tinggi dengan akurasi 0,97, F1-score kelas PCOS 0,92 dan AUC 0,998. Secara keseluruhan, hasil ini mengindikasikan bahwa SVM dengan fitur terpilih lebih efektif dibanding Logistic Regression, selaras dengan beberapa studi yang melaporkan keunggulan model SVM dalam deteksi PCOS.